La lectura de datos públicos de marketing.
Sin segmentación geográfica: el contenido de creadores, y cualquier campaña que llega a las personas por sus intereses y no por su mercado. No hay una región que se haya quedado sin la campaña para comparar, así que construimos la comparación con la historia.
Tome un resultado público
Las búsquedas de la marca en Google y, para marcas que venden en Amazon, el ranking de ventas. Ambos son públicos, y ambos muestran a personas actuando por lo que vieron.
Arme un grupo de control
Tendencias que se mueven con la marca por razones ajenas a la campaña: la demanda de la categoría, la estacionalidad, los productos de la competencia.
Pronostique el mundo sin la campaña
Ajuste el modelo con las semanas antes de la publicación, pronostique hacia adelante y compare. La diferencia es el incremento.
← Compare nuestras lecturas de plataformas publicitarias y retail mediaEN
La ventaja contrafactual: construimos la versión de los hechos en la que la campaña nunca ocurrió y medimos la diferencia para aislar el incremento que causó solo la campaña.
Nuestro método mide el incremento que una campaña con creadores realmente causó, incluso después de que la campaña terminó, sin grupo de control y sin datos de plataformas publicitarias. Todo número de incremento compara lo que pasó con algo que no pasó. La mayoría de las mediciones obtiene esa comparación de un grupo de control, una audiencia o un conjunto de mercados que se excluye de la campaña, y que tiene que diseñarse antes de que la campaña empiece.
La publicidad con creadores casi nunca lo permite. Normalmente la campaña ya terminó cuando alguien pregunta qué logró, y la audiencia de un creador se distribuye por intereses, no por geografía. Así que construimos la comparación con la historia.
¿Quiere una lectura de su propia campaña?
Necesitamos una sola cosa de usted: la fecha de publicación.
Los resultados son públicos, las tendencias de comparación son públicas y ninguna métrica de plataformas publicitarias entra al modelo.
El motor analítico →
El estimador es un modelo bayesiano estructural de series de tiempo, según Brodersen et al. (2015), implementado en el paquete de código abierto CausalImpact de Google. La especificación de estados incluye un componente de nivel local, estacionalidad semanal y regresión sobre el grupo de donantes. Ajustamos el modelo en un período previo definido, pronosticamos el período posterior y reportamos la distribución posterior de la diferencia. El resultado es una estimación puntual con un intervalo de credibilidad, no un solo número.
Cada lectura viene con su especificación completa, incluidos el grupo de donantes, la duración del período previo y los componentes de estado, más cada versión alternativa que corrimos a su lado.
Doce marcas, leídas con datos públicos, sin revelar sus nombres.
Medido de forma independiente por Seurat Analytics. Nada vino de los anunciantes ni de las plataformas publicitarias.
Empezamos con una marca y una pregunta. Cada paso probó si la respuesta se sostenía frente a datos nuevos o en contextos distintos de activación de marca.
Paso 1 · Dónde empezó: una marca y las búsquedas en Google
Una marca de ropa de venta directa al consumidor hizo 46 integraciones pagadas con creadores en 5 canales entre junio de 2024 y agosto de 2026. 19 no tenían ninguna otra colocación pagada de la marca en las 3 semanas previas, así que nada más enturbiaba la línea base. Esas 19 fueron nuestra lectura inicial y nos dieron nuestro primer hallazgo: los medios de creadores pueden tener un efecto fuerte en las búsquedas de la marca si se hacen con suficiente peso.
Lo que esconde el promedio
Juntas, las 19 muestran +3.4%, con un margen de error mayor que el efecto. 6 fueron demasiado pequeñas para mover la demanda, y promediarlas esconde las 13 que sí lo hicieron.
Siguiente: ¿la gente compró? ↓Paso 2 · Luego verificamos si la gente compró
Las búsquedas muestran interés. Amazon muestra compras: ordena cada producto de su categoría según sus ventas recientes, y ese historial es público. Hicimos la misma lectura en 12 marcas que venden ahí, desde audífonos y cosméticos hasta aceite de oliva y cargadores de teléfono, pronosticando el ranking de cada marca con su propia historia, los productos de la competencia, su precio y sus cupones.
Fijamos una meta de vistas para cada marca, según qué tan seguido la gente la busca. La meta de la marca de ropa es 1.4M de vistas por video. Una marca que la gente busca la cuarta parte de las veces necesita la cuarta parte de las vistas, unas 350,000. La regla de fondo es de unas 4.4 vistas por cada búsqueda mensual del nombre de la marca en Google. Cualquier especialista en búsqueda puede consultar las búsquedas mensuales de una marca.
- Los videos que alcanzaron su meta de vistas mejoraron el ranking una mediana de 9.3% (promedio 12.7%), significativamente más que en las fechas sin video (p = 0.006).
- Por debajo de la meta, no se detectó incremento. Esos videos se comportan igual que las fechas sin video.
- La meta inicial salió de la marca de ropa, y se sostuvo en otras. En las otras 10 marcas, el incremento empieza en el mismo punto: +11.1% por encima, -2.6% por debajo (estadísticamente significativo, p = 0.012).
Cómo lo verificamos →
Las semanas de ofertas de Amazon (Prime Day, Prime Big Deal Days, la Big Spring Sale, de Black Friday a Navidad) y los cambios en los listados (páginas de producto fusionadas, lanzamientos nuevos, una categoría de ranking nueva, un cambio de nivel duradero en el ranking) mueven el ranking por razones ajenas a cualquier video. La lectura principal los excluye, tanto en fechas con video como sin video.
- Comparando los videos de cada marca solo con las fechas sin video de esa misma marca: p = 0.002.
- Manteniendo una lectura por marca por mes, para no contar 2 veces videos que se traslapan: p = 0.003.
Paso 3 · Del ranking a las unidades
Un mejor ranking es una buena noticia, pero una marca cuenta unidades, así que convertimos uno en lo otro.
El ranking es una posición
Un ranking 10% mejor no significa 10% más ventas: las unidades suben más despacio de lo que mejora el ranking, siguiendo una curva. Esa curva es la que nos permite convertir uno en lo otro.
Las insignias de Amazon dan la cifra
En 1,759 meses-producto de insignias de 'comprado el mes pasado', un ranking 1% mejor significó alrededor de 0.54% más unidades.
Unidades en 2 semanas
La cifra mensual de cada listado, multiplicada por el incremento convertido con esa curva, en 14 días. Los dólares usan el precio de ese día, antes de comisiones.
Los incrementos de la marca de ropa son grandes en porcentaje y pequeños en unidades: vende sobre todo en su propio sitio, donde los datos públicos no llegan.
Siguiente: ¿coinciden las búsquedas y las ventas? ↓
Paso 4 · Dos marcadores, una respuesta
Las búsquedas diarias son una señal con mucho ruido para la mayoría de estas marcas, cada una con una pequeña parte de las búsquedas de su categoría. Leídas junto con Amazon, las 2 apuntan en la misma dirección.
- El 31% de los videos grandes (8 de 26) subió tanto el ranking en Amazon como las búsquedas en Google en 5% o más, frente al 9% de las fechas sin video (4 de 46). Esa diferencia es estadísticamente significativa (p = 0.02).
- El mayor doble acierto: un video de 3.7M de vistas para la marca de ropa, con el ranking en Amazon 46% arriba y las búsquedas 31% arriba.
Independiente por diseño
- Fechas de publicación y número de vistasPúblicos
- Demanda de búsquedas de la marcaPública
- Ranking de ventas, precio e historial de cupones en AmazonPúblicos
- Métricas de plataformas publicitariasNo se usa ninguna
- Datos propios del anuncianteNo se pide ninguno
Qué implica para la compra de medios
La publicidad con creadores funciona, pero solo con suficiente peso publicitario. En búsquedas y en Amazon, los videos por debajo del umbral no muestran incremento significativo y los que están por encima sí. Así que concentre su compra de medios: menos colocaciones y más grandes rinden más que muchas pequeñas, y un presupuesto repartido en colocaciones pequeñas puede terminar en activaciones que no mueven la aguja. Planifique con una meta de vistas ajustada a la marca: unas 1.4M de vistas por video para una marca grande, 350,000 para una mediana y 70,000 para una pequeña.
¿No sabe cómo calcular la meta de vistas y el peso publicitario para su marca? Con gusto le ayudamos.
Por qué son anónimas
Estas lecturas se hicieron sin que nadie las pidiera, y nombrar a una empresa que nunca pidió ser medida es una decisión distinta de medirla. Sin el nombre no se pueden reproducir estos números exactos, pero el método funciona con cualquier marca, y una lectura de la suya se puede verificar de principio a fin.
El enfoque de Seurat frente a otros métodos.
El grupo de comparación, incluido dónde nos quedamos cortos.
| Identificación | Los datos vienen de | Lo paga | Identificación | Hecho para responder |
|---|---|---|---|---|
| Estudios de incremento de las plataformas publicitarias | La plataforma publicitaria | El anunciante, y lo ejecuta la plataforma publicitaria | Grupo de control aleatorizado. Sólida. | ¿La exposición movió las métricas de encuesta dentro de esa plataforma publicitaria? |
| Terceros de servidores de anuncios | Píxeles del servidor de anuncios | El anunciante o el medio | Grupo de control aleatorizado y control sintético. Sólida. | ¿El anuncio generó conversiones rastreadas? |
| Plataformas de experimentos geográficos | El sistema propio del anunciante, más las APIs de las plataformas publicitarias | El anunciante | Aleatorización geográfica. Sólida, donde aplica. | ¿Cómo debería repartir el anunciante su inversión entre canales? |
| Empresas de paneles de consumo | Panel propio | El anunciante | Panel y modelos de mezcla de medios. Varía. | ¿La actividad con creadores movió las ventas en tiendas? |
| Plataformas de marketing de influencers | APIs sociales y de plataformas publicitarias, más sus propias herramientas | El anunciante | Reportes de interacción y atribución. No causal. | ¿Qué creadores rindieron según las métricas reportadas? |
| Seurat Channel Read | Datos públicos, o ventas del minorista bajo una especificación publicada. Una fecha de su parte. | Quien vende los medios. Tarifa fija, no depende del resultado. | Contrafactual observacional con pruebas de refutación publicadas. Admitimos que es más débil que la aleatorización. | ¿Existe un número independiente que un planificador pueda defender? |
Cuando no puede hacer un experimento, no tiene acceso a todos los datos o quiere una prueba causal definitiva del impacto, Seurat Analytics es la respuesta.
Todos los demás métodos de arriba necesitan algo de una parte con intereses en la respuesta: datos de la plataforma publicitaria, acceso a píxeles, el sistema de medios del anunciante o un panel privado. El nuestro necesita una fecha de inicio.
Funciona hacia atrás
Lee campañas que ya terminaron. Un grupo de control que usted no armó no se puede recuperar después.
No se puede inclinar
Los resultados y los controles son públicos, y cada versión que corrimos se muestra junto a la que presentamos.
Se puede verificar
Cualquiera con la especificación puede volver a correr una lectura pública y obtener nuestro número, o no. Las lecturas con datos propios de un cliente se mantienen confidenciales, y usted ve cada versión que corrimos.
Cuándo acudir a Seurat Analytics
Seremos honestos: si puede diseñar un grupo de control aleatorizado por adelantado, le recomendamos hacerlo. Identifica el efecto mejor que nuestro enfoque. Use nuestro enfoque cuando la campaña ya terminó, o cuando alguien fuera del acuerdo necesita un número de alguien que no tiene nada que ganar.
¿Vende retail media en tienda, en el área de combustible o en sitios propios? Esa exposición se separa por tienda, así que lleva otra lectura: la lectura de tiendas comparablesEN.
Hacemos las pruebas diseñadas para romper nuestro propio resultado.
Este es un diseño observacional, no un experimento aleatorizado, y los métodos observacionales han fallado en respuestas que pruebas aleatorizadas encontraron después. Por eso cada lectura viene con 3 pruebas que intentan romperla. En la investigación pública los resultados se publican sean cuales sean; en su proyecto, usted los ve primero.
¿Encuentra efectos cuando no pasó nada?
No debe. Una lectura que falla no se entrega.
El detalle →
Corremos el mismo modelo en fechas sin campaña. No debería encontrar nada. Si encuentra algo, cualquier resultado en una fecha real de campaña no vale nada.
¿Encuentra efectos en tendencias que no pudieron verse afectadas?
Tampoco. Este es el supuesto del que más depende el método.
El detalle →
Corremos el modelo en tendencias de comparación sin exposición posible. Un incremento ahí significa que el modelo está captando algo de toda la categoría.
¿El efecto crece con el tamaño de la campaña?
Sí. Vea el Paso 2: el incremento aparece solo cuando un video alcanza su meta de vistas.
El detalle →
Una coincidencia rara vez llega con un gradiente. Una explicación alternativa tendría que seguir el tamaño y el momento de cada publicación, y un factor de confusión que cambia poco a poco no puede producir un umbral marcado.
Lo que el diseño podía detectar
Antes de cada lectura calculamos el umbral de detección: el menor efecto que este diseño puede distinguir del ruido, según el alcance, el ruido en el resultado y la duración del período previo. Un resultado nulo significa entonces una de 2 cosas, y le decimos cuál: la campaña no hizo nada, o hizo menos de lo que el diseño podía ver.
Una lectura sin incremento significativo es un hallazgo privado.
Usted ve cada resultado primero, y nada se publica sin su aprobación. La tarifa se fija antes de la lectura, así que no cambia con lo que encontremos.
Nuestro compromiso con métodos analíticos transparentes
Cuatro cosas, y usted puede verificar las 4.
Las fechas de publicación, el número de vistas, las búsquedas de la marca y el ranking de ventas en Amazon son públicos. No se usa ninguna métrica de plataformas publicitarias ni datos del anunciante, así que nadie puede retirar el acceso ni dirigir la lectura.
No es un porcentaje del incremento medido ni depende de un resultado positivo. Una tarifa que cambia con la respuesta ya compró la respuesta.
Nombramos la especificación principal y corremos las alternativas razonables a su lado. El rango va en el titular y cada versión en el apéndice, para que un ajuste favorable no se pueda esconder.
Incluido cualquiera que espere estar en desacuerdo con el resultado.